Modified Heuristic Task Allocation Algorithms for Mobile Robot Teams under Uncertainty

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

This study addresses the problem of task allocation among groups of mobile robots under conditions of parametric and stochastic uncertainty arising from sensor errors, environmental non-stationarity, and limited information about controlled objects. The primary objective is to adapt previously developed heuristic algorithms to real-world conditions, where sensor inaccuracies and incomplete knowledge of the environment are present. Three baseline approaches are considered: the ant colony algorithm, the Hopfield neural network, and the genetic algorithm. Each method is enhanced with specific modifications to account for input uncertainty: dynamic pheromone trail updates, adaptive adjustment of neuron weight coefficients, and interval-based estimation of environmental parameters. The paper presents a formal problem statement, mathematical models, and the design principles of the proposed task allocation algorithms. Numerical simulations were conducted to compare the performance of the modified algorithms against their baseline counterparts under varying levels of operational uncertainty. Results show that the proposed adaptive mechanisms improve task allocation efficiency by up to 20% compared to the original methods. Based on these findings, recommendations are formulated for selecting the optimal algorithm depending on specific operating conditions and control objectives. The study concludes that the proposed approaches are effective for the design of intelligent adaptive group control systems for mobile robots. Furthermore, these solutions can be extended to a broader class of problems, including dynamic resource reassignment and the organization of cooperative behavior among technical agents.

Авторлар туралы

A. Migranov

Mavlyutov Institute of Mechanics, Ufa Federal Research Centre, Russian Academy of Sciences

Email: abm.imech.anrb@mail.ru
Oktyabrya Av. 71

Әдебиет тізімі

  1. Lin X., Gao F., Bian W. A high-effective swarm intelligence-based multi-robot cooperation method for target searching in unknown hazardous environments // Expert Systems with Applications. 2025. vol. 262. doi: 10.1016/j.eswa.2024.125609.
  2. Cardona G.A., Calderon J.M. Robot Swarm Navigation and Victim Detection Using Rendezvous Consensus in Search and Rescue Operations // Applied Sciences. 2019. vol. 9(8). doi: 10.3390/app9081702.
  3. Alotaibi E.T., Alqefari S.S., Koubaa A. LSAR: Multi-UAV Collaboration for Search and Rescue Missions // IEEE Access. 2019. vol. 7. pp. 55817–55832. doi: 10.1109/ACCESS.2019.2912306.
  4. Cao Y.U., Fukunaga A.S., Kahng A. Cooperative mobile robotics: Antecedents and directions // Autonomous Robots. 1997. vol. 4. pp. 7–27.
  5. Gerkey B.P., Matarić M.J. A Formal Analysis and Taxonomy of Task Allocation in Multi-Robot Systems // International Journal of Robotics Research. 2004. vol. 23(9). pp. 939–954. doi: 10.1177/0278364904045564.
  6. Kalyaev I.A., Melnik E.S., Klimenko A.V. Distributed Ledger Based Workload Logging in the Robot Swarm // Proc. 4th Int. Conf. Interactive Collaborative Robotics (ICR 2019). LNCS, 2019. pp. 119–128. doi: 10.1007/978-3-030-26118-4_12.
  7. Kalyaev I.A. Melnik E.S., Klimenko A.V. Distributed Methods for Autonomous Robot Groups Fault-Tolerant Management // Proc. 5th Int. Conf. Interactive Collaborative Robotics (ICR 2020). LNCS, 2020. vol. 12336. pp. 135–147. doi: 10.1007/978-3-030-60337-3_14.
  8. Brambilla M., Ferrante E., Birattari M., Dorigo M. Swarm robotics: a review from the swarm engineering perspective // Swarm Intelligence. 2013. vol. 7. pp. 1–41. doi: 10.1007/s11721-012-0075-2.
  9. Parker L.E. ALLIANCE: An Architecture for Fault Tolerant Multi-Robot Cooperation // IEEE Transactions on Robotics and Automation. 1998. vol. 14(2). pp. 220–240. doi: 10.1109/70.681242.
  10. Dadgar E., Jafari S., Hamzeh A. A PSO-based multi-robot cooperation method for target searching in unknown environments // Neurocomputing. 2016. vol. 177. pp. 62–74. doi: 10.1016/j.neucom.2015.11.007.
  11. Garg R. E2RGWO: Exploration enhanced robotic Grey Wolf Optimizer for cooperative multiple target search for robotic swarms // Arabian Journal for Science and Engineering. 2023. vol. 48. pp. 9887–9903. doi: 10.1007/s13369-022-07438-5.
  12. Dorri A., Kanhere S.S., Jurdak R. Multi-Agent Systems: A Survey // IEEE Access. 2018. vol. 6. pp. 28573–28593. doi: 10.1109/ACCESS.2018.2831228.
  13. Fox D., Ko J., Konolige K., Limketkai B., Schulz D., Stewart B. Distributed multirobot exploration and mapping // Proceedings of the IEEE. 2006. vol. 94(7). pp. 1325–1339. doi: 10.1109/JPROC.2006.876927.
  14. Dorigo M., Blum C., Stutzle T. Ant Colony Optimization – Introduction and Recent Trends // IEEE Computational Intelligence Magazine. 2007. vol. 1(4). pp. 28–39. doi: 10.1109/MCI.2006.329691.
  15. Liu F., Tan Y. Multi-robot Task Allocation Based on Ant Colony Algorithm // Journal of Computers. 2012. vol. 7(9). pp. 2160–2167.
  16. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities // Proceedings of the National Academy of Sciences USA. 1982. vol. 79(8). pp. 2554–2558. doi: 10.1073/pnas.79.8.2554.
  17. Cechinel A.K., De Pieri E.R., Pérez A.L.F., Plentz P.D.M. Multi-robot Task Allocation Using Island Model Genetic Algorithm // IFAC-PapersOnLine. 2021. vol. 54(1). pp. 558–563. doi: 10.1016/j.ifacol.2021.08.063.
  18. Darintsev O.V., Migranov A.B. Multi-criteria Optimization of the Mobile Robot Group Strategy Using the Ant Algorithm // Eds.: Ronzhin A., Shishlakov V. Electromechanics and Robotics. Smart Innovation. Systems and Technologies. Springer. Singapore. 2022. vol. 232. pp. 97–108. doi: 10.1007/978-981-16-2814-6_9.
  19. Даринцев О.В., Мигранов А.Б. Модификация аппарата нейронной сети Хопфилда для решения задачи оптимального распределения заданий в группе мобильных роботов // Известия РАН. Теория и системы управления. 2024. № 2. С. 169–182.
  20. Darintsev O.V., Migranov A.B. Task Distribution Module for a Team of Robots Based on Genetic Algorithms: Synthesis Methodology and Testing // Proc. XXI Int. Conf. Complex Systems: Control and Modeling Problems (CSCMP). 2019. pp. 296–300. doi: 10.1109/CSCMP45713.2019.8976649.
  21. Khamis A.M., Hussein A., Elmogy A.M. Multi-robot Task Allocation: A Review of the State-of-the-Art // Eds. Koubâa A., Martínez-de-Dios J.R. Cooperative Robots and Sensor Networks. Studies in Computational Intelligence. Springer. Cham. 2015. pp. 31–51. doi: 10.1007/978-3-319-18299-5_2.
  22. Dias M.B., Zlot R., Kalra N., Stentz A. Market-based multirobot coordination: A survey and analysis // Proceedings of the IEEE. 2006. vol. 94(7). pp. 1257–1270. doi: 10.1109/JPROC.2006.876939.
  23. Garg R., Shukla A., Tiwari R. AERPSO – An adaptive exploration robotic PSO based cooperative algorithm for multiple target searching // Expert Systems with Applications. 2022. vol. 209. doi: 10.1016/j.eswa.2022.118245.
  24. Zhu B., Xie W.-F. An improved genetic algorithm with Euclidean geometry and hybrid heuristic crossover for the traveling salesman problem //2023 IEEE Congress on Evolutionary Computation (CEC). Chicago, IL, USA, 2023. pp. 1-8. doi: 10.1109/CEC53210.2023.10254179.
  25. Fan M., Li J. Surrogate-assisted genetic algorithms for the travelling salesman problem and vehicle routing problem // Proc. IEEE Congress on Evolutionary Computation (CEC). 2020. pp. 1–7. doi: 10.1109/CEC48606.2020.9185817.
  26. Ojeda Rios B.H., Xavier E.C., Miyazawa F., Amorim P., Curcio E., Joao Santos M. Recent dynamic vehicle routing problems: A survey // Computers & Industrial Engineering. 2021. vol. 160. doi: 10.1016/j.cie.2021.107604.
  27. Ding H., Cheng H.-J., Shan X. Modified Artificial Bee Colony Algorithm for the Capacitated Vehicle Routing Problem // DEStech Transactions on Social Science, Education and Human Science. 2018. doi: 10.12783/dtssehs/amse2018/24837.
  28. Gendreau M., Hertz A., Laporte G. A tabu search heuristic for the vehicle routing problem // Management Science. 1994. vol. 40(10). pp. 1276–1290. doi: 10.1287/mnsc.40.10.1276.
  29. Kirkpatrick S., Gelatt C.D., Vecchi M.P. Optimization by simulated annealing // Science. 1983. vol. 220(4598). pp. 671–680. doi: 10.1126/science.220.4598.671.
  30. Даринцев О.В., Мигранов А.Б. Аналитический обзор подходов к распределению задач в группах мобильных роботов на основе технологий мягких вычислений // Информатика и автоматизация. 2022. Т. 21. № 4. С. 729–757.
  31. Chao I.M., Golden B.L., Wasil E.A. A new heuristic for the multi-depot vehicle routing problem that improves upon best-known solutions // American Journal of Mathematical and Management Sciences. 1993. vol. 13(3–4). pp. 371–406. doi: 10.1080/01966324.1993.10737363.
  32. Dorigo M., Stützle T. Ant Colony Optimization, MIT Press, 2004.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».